Loading...
Loading...
和Jeff Dean押注同一方向，27岁清华助理教授创业，两个月融资数亿文｜王欣逸
编辑｜张雨忻
今年，用AI自我改进AI，几乎成了海内外头部实验室的共识。
近一年来，OpenAI创始成员Andrej Karpathy、前Meta FAIR研究总监田渊栋、前DeepMind首席科学家Jeff Dean都相继加入RSI（Recursive Self-Improvement，递归自进化）创业的热潮。
发生在RSI身上的，几乎是一个和世界模型高度相似的故事——即使是最先进的实验室，也没有探索出关于递归自进化的突破性成果，技术的不确定性，很快被宏大的叙事与火热的资本市场淹没。田渊栋就是一个典型的例子，今年5月，他所在的创业公司Recursive Superintelligence在还没有交出成果的时间点上，却已官宣完成6.5亿美元融资，估值推高至46.5亿美元。
这股热潮也蔓延至国内。今年1月，就读于哈佛和MIT联合培养项目、即将博士毕业的陈勇超，正站在职业选择的岔路口：一边是DeepMind的工作邀约，以及多家专注做AI自动科研的海外初创公司抛来的联创橄榄枝；另一边，是他等了两年的创业Timing，恰好在此刻到来。
他想做的是，训一个能自进化的通用模型，让它在一套能自进化的Harness之上，独立完成人类科学家在做的研究，包括构思想法、检索文献、跑实验。
经过一系列的考量，他选择了后者，回国创立了超衍智能（Apex Intelligence），专注做自主进化的基模研发，并同步入职清华大学。
27岁的陈勇超，成为了清华大学人工智能学院有史以来最年轻的助理教授，他在7月正式官宣创立的超衍智能，也在短短两个月的时间内完成了两轮亿元级融资。
《智能涌现》获悉，近日，超衍智能已完成近4亿人民币天使轮及天使+轮融资。天使轮由IDG资本、星连资本、晶泰科技联合领投，德迅资本、无限基金、初心资本、云岫资本跟投，汇聚了头部美元基金、产业资本及市场化投资机构。天使+轮则由北京、深圳、上海三地头部国资——中关村科学城基金、深创投、上海未来产业基金联合领投。
本轮融资将重点用于基础模型与算力基础设施的构建、递归自进化技术的研发投入，以及核心团队的扩张。
这是一支由Researchers主导的创业团队，超衍智能创始人陈勇超曾在Google DeepMind、Microsoft、IBM等海外实验室做大模型相关研究，团队核心成员来自字节、Kimi、智谱等头部大模型厂商，有一线模型研发经历。
不同于做Agent层的RSI，超衍不聚焦于做AI for Science的Harness和应用，而是探索基模层的递归自进化能力，让每一次研究任务生成的轨迹变成训练数据，用于改进模型，并进一步攻克更难的问题。
在超衍内部，这套逻辑被概括为“Research is the engine of RSI”，即研究是递归自我改进的引擎。它的最终目标，是用一套递归智能系统连接数字世界与物理世界，将统一的能力拓展至AI、数学、物理、芯片设计、机器人、工业制造、化学、生物等各个领域。
“Coding平权之后，下一波会是Research的平权。”在陈勇超看来，AI的自进化，正在成为现实。
他手上的第一个有力证据，来自今年5月，他们让公司的自进化AI System自主产出了34篇论文，结果相当惊喜，这些论文提交到ACL Rolling Review（ACL系列会议的统一审稿平台）后，有11篇拿到了3分以上，这是一个不低于博士水准的初审分，其中，还有2篇论文的分数超过了99%的人类研究员。
“很多想法都挺让人眼前一亮的，有些论文几乎达到了博士生水平，这在我们的意料之外，但也在情理之中，因为这个时刻迟早都会到来。”陈勇超说。
论文之外，从AI自主进行AI方向的研究，到在数学等基础科学领域的探索实验，超衍的AI系统已在多个高难度研究领域完成初步验证。目前，公司内部已沉淀数万条高质量研究轨迹（Research Trajectories），涵盖专家轨迹、合成轨迹和AI自主生成的研究轨迹。
△研究是递归自我改进的引擎，图源：企业
如果要把智能的演进放在一个坐标轴上，陈勇超认为，它不是平滑上升的，而是沿着S型曲线，突破一个瓶颈、快速爬升、然后平缓，再等待下一个瓶颈。现阶段，我们正处在上一个属于Scaling Law拐点的平稳阶段，正在等待新拐点的出现，以及下一个智能快速爆发的时刻。
陈勇超对这个拐点即将发生坚信不疑，“时代不可能等你，这和两年前不做大模型、一年前不做具身智能的情况是一样的，RSI在现在就是最好的创业时间点。”
关于回国创业、选择RSI方向以及对智能演进的思考，我们带着一系列问题，来到了清华大学人工智能学院的办公室，与他展开了交流，以下是《智能涌现》和陈勇超的对话实录，略经摘编：
模型的稳定性和创新性，是对抗的
智能涌现：为什么今年RSI突然爆发了？
陈勇超：很多人认为是模型能力到了瓶颈期，需要探索新路径，我觉得这是次要原因。最主要原因是，技术的转折点已经来临，模型已经强到一定程度，能够做很多人类研究员做的研究了。这也正是我们探索的方向，训下一代模型，让它能达到甚至超越人类研究员的水平。
智能涌现：用简单的话解释，自进化的模型和现在的大模型有什么区别？
陈勇超：现在的大模型是求稳的模型，给大众用、保守的、不想让它犯错的模型。比如，问它100个问题，它能回答出95个，剩下答不出来的问题努力让它减少幻觉，或者让它直接回答不知道。
但自进化的模型是注重创新性的模型，它对稳定性要求不高。比如，你问它一个问题，它答不出来，但我们期待它能提出100种不同方法解决这个问题，其中99种错得再离谱都没关系，只要一种对就行。也就是说，探索过程中要允许大量方法失败，但只要其中一种被证明有效，系统就能识别它、保留下来，并且将这次成功转化为未来可以复用的能力。
模型创新性和求稳性很多时候不可兼得，模型过于求稳保守，其创新性就会弱。有的时候我们甚至发现，模型通用的评测结果越好，创新性越差。
智能涌现：要实现模型的自进化，关键的技术卡点在什么地方？
陈勇超：第一是模型提出天马行空想法的能力；第二是自主执行能力；第三是验证能力。目前，模型能否提出好想法，筛选出好想法后自主执行下去并做好验证，是特别大的卡点。
智能涌现：这些卡点可以通过什么方式来解决？
陈勇超：模型的训练方法以及模型架构，尤其是上层架构，都要做一些调整，数据也有很大变化。比如，用一些对抗性的训练方法，让一个模型扮演不同的角色：既能提出好的想法，也能自行评估，判断这个想法在合理性、创新性上表现如何。通过迭代式的自我改进方法，让想法越来越好、创意水平越来越高。
智能涌现：为什么先从科研场景先尝试模型自进化能力的落地？
陈勇超：科研场景对聪明大脑的需求最为迫切。自进化本身是在追求智能上限，也就是对标甚至超越人类研究员。它通常会瞄准那些处于智能上限、最需要创新性的场景。
智能涌现：AI for Science、AI Scientist、Auto-research和Recursive Self-improvement，这几个词之间是什么关系，有重叠吗？
陈勇超：在我看来，RSI、Auto-research和AI Scientist虽然不是字面意义上的同义词，但本质上指向同一个目标，就是构建能够自主开展研究、并在研究过程中持续提升自身能力的通用研究智能。AI Scientist描述的是这种系统扮演的角色，Auto-research描述的是它自主完成研究的过程，RSI描述的则是它根据研究结果不断改进自身的机制。
AI for Science和它们不在同一个概念层次。AI for Science描述的是AI被应用在哪里，即利用AI解决科学问题；它可以是一个科研工具、一个垂直领域模型，也可以是一个完整的自主研究系统，但并不必然具备自主研究和自我改进能力。
尽管Auto-research和AI Scientist出现得更早，但很多做这两个方向的人把这个概念做窄了，Auto-research并不只是搭一个Agent写论文，AI Scientist也并不只是训练一个垂直领域的小模型。它们真正要解决的问题是，训练出一个通用模型来超越人类研究员，让AI成为人类员的Coworker。
智能涌现：RSI可预见的上限是怎么样的，能达到什么样的水平？
陈勇超：这取决于它最终能成为人类哪个level的研究员，这个很难讲它最终能到清华等顶尖高校博士生水准，还是牛顿、爱因斯坦水准。
智能涌现：智能爆发式增长可能会出现在什么时候？
陈勇超：我觉得会有一个拐点，可能会发生于模型在某些环节的效率比人高，或者创新能力跟人差不多的时候。它是按瓶颈和阶段推进的，某段时间一旦突破了一个瓶颈，就会呈S型曲线上升，先快速发展，之后逐渐平缓，那时你就会开始等待下一个能突破的瓶颈。
智能涌现：现在智能处于什么阶段？
陈勇超：第一个S型曲线是Scaling Law，现在正处于第一个S型曲线接近饱和的阶段。现阶段模型的迭代，其能力进步已经没那么快了，已经到了S型的上端。RSI可能是下一个S型，也可能是帮助发现许许多多S型曲线突破瓶颈的方法论。
像人类科学家一样做研究
智能涌现：从整体来看，你们现在在做的事情有哪些？
陈勇超：我们做了一个做自动化科研的AI System，让它来做AI for AI、AI for Math，以及各个学科。同时，我们也在训练自己的大模型、建立能够评价大模型在研究领域能力的benchmark。
智能涌现：这个自进化AI System独立完成一个科研项目，其端到端的过程是怎么样的？有没有具体的案例？
陈勇超：这跟人类做研究很像，并且，它像人类科学家一样“全栈”，能自己动手做实验：自己构思想法、做实验、连GPU、搭建环境、训练模型，最后根据实验结果改进方法，并把成果总结成报告、代码仓库、产品或论文。
比如，它现在能帮数学家发现数学上的重大突破、证明定理；也能做AI领域的事，自己优化AI训练里的内核、数据分布、算子；还能做机器人VLA的数据仿真与VLA架构改进。
智能涌现：在这个系统中做一个项目的研究，周期一般是多长？相比人类做研究，它的速度能快多少？
陈勇超：这取决于研究难度，难度比较大的项目，AI可能要做两三周，但相比人类已经非常快了，人类的话可能要做好几个月甚至一年。
智能涌现：这个产品已经上线了吗？
陈勇超：最近已经上线了，正在小范围内测中。
△自动化AI研究系统原理，图源：企业
智能涌现：关于你们现在正在训的模型，可以展开讲讲吗？
陈勇超：首先，这个模型肯定是个大参数规模的模型。
它跟上一代模型很大的区别是，我们注重创新性和研究能力。它可能在一些通用能力上，如编程、数学比闭源SOTA模型差一些，但在完整的研究能力上会显著更强。
智能涌现：你们是从头开始训模型吗？
陈勇超：我们现在还是基于开源模型做中训练和后训练，做预训练还需要更多的资金储备。
智能涌现：现在你们的模型能达到什么效果？
陈勇超：我们自己看下来，有的方面比较惊艳，比如在数据自进化、Harness自进化上，但目前只能做较小的优化，想要在创新性上做很大的突破还比较难。
我们想先训一个通用的模型，它能做很多领域的研究，比如AI for AI、数学、机器人、芯片设计、量子。其中，通用模型的很多数据会包含各个领域，之后基于通用模型做微调，它也能在垂直场景中快速落地。
智能涌现：为什么先做通用模型，再慢慢做各种垂直场景？
陈勇超：很多领域的创新来源于毫不相关领域的启发，如果你只用垂类领域的数据训模型，它可能在局部任务上越来越强，但整体智能反而会下降，也就是我们常说的“灾难性遗忘”。
比如，我想让它做AI for大模型，让它所有的训练数据、研究轨迹，全都来自AI自己训大模型的领域。结果你会发现，它就可能逐渐过拟合这一分布，遗忘原本具备的数学、物理、化学乃至常识推理能力。如果它连常理都能忘掉，智力就会退化，它可能越来越擅长重复已有的大模型研发范式，却越来越难跳出局部最优，产生真正具有突破性的新方法。
智能涌现：你们最近还发了一个Benchmark，叫ASI Bench。
陈勇超：是的，这是一个评价模型探索能力和研究能力的Benchmark。ASI和AGI的最大区别是，ASI能探索模型提高智能上限、探索世界未知知识。现在还没有一个很好的Benchmark来评价模型的探索能力和研究能力，所以我们做了这个。
智能涌现：和RSI直接相关的数据非常少，你们如何突破呢？
陈勇超：数据是一个非常核心的问题。无论是研究类数据，还是递归数据、Auto-research数据，这些都和大模型的数据不同，它需要的是一条完整的研究轨迹数据。
这种研究轨迹非常难获得，因为它都散失在研究过程中了。大家最终留下的往往只是报告、产品、论文，那只是结果；而中间试错、成功与失败的过程轨迹，是根本没有保留下来的。
不仅如此，最顶尖的研究员、人类科学家那些“灵光一现”的时刻，很难被数字化地记录下来。比如王虹证明挂谷猜想，基本就是今天想一些、睡一觉，明天再想一些、再睡一觉，想要记录下整条思维链非常难。我们也在做这方面的探索，尝试把它复刻出来。
智能涌现：这么说，让AI改进AI自身，其实也是在模仿人类自我改进的过程。
陈勇超：对，最聪明的人往往都会自我进化、自我迭代，通过与外部反馈、与自己、与世界互动，来不断提升自己。我们要模仿的，就是这个过程。
一条研究轨迹包含很多内容：怎么构思想法、处理信息、搜集信息、执行实验，以及如何根据实验结果来调整下一步计划。
智能涌现：关于把研究轨迹数字化，你们做了哪些探索？
陈勇超：我们在构建领域专家生态，邀请各领域专家一起合作，请他们尽可能复现他们的研究轨迹，并用AI可以理解的方式无信号损失的记录下来。目前行业里基本还没有这一类完整研究轨迹的数据。我们目前已有的数据包括：与专家合作构建的数据、AI合成数据、以及用户自愿选择分享的产品使用数据。
智能涌现：训一个模型需要多少量级数据？
陈勇超：这个说不好，数量上很难用“多少T”来衡量，因为一条数据本身就包含很多步骤、很多轮交互。更合理的衡量方式，是按项目数量，或按轨迹的数量与长短来评估。
只做Harness层的商业化，很容易被模型吞掉
智能涌现：你从2月份做RSI到现在差不多半年了，从当时非常坚定地入场，到现在为止，你的体感怎么样？
陈勇超：不管在技术上还是资本市场上，当时的想法都得到了验证。
我的判断依然很坚定，第一代大模型（如ChatGPT）替代白领，具身智能替代蓝领，而ASI将替代人类科学家，也就是那些拥有博士学位、“最贵也最聪明”的一批人。
智能涌现：你们在商业化上有什么思考？
陈勇超：Harness层很容易被模型本身吞掉。只做Harness层的商业化，即只提供一套能自动科研的系统，其上限非常明显。因为模型训练到足够好之后，它可以自己优化自己的Harness。
我们团队最初把Harness自进化和模型进化放在一起做，很明显发现，Harness自进化做到一定程度以后就无法更进一步了。
智能涌现：目前你们的自进化AI System的商业化还没有起步，感觉你们并不急于商业化？
陈勇超：从上一代模型中我们就可以看出，一开始过多考虑商业化会很拖累模型训练的研发，考虑的越多，精力越被分散。我们希望更聚焦，把大量的精力和人力投入在我们研究型基础大模型训练中。
智能涌现：你们设想的商业模式是怎么样的？
陈勇超：我们本质上还是个基础模型公司，因此我们的商业模式本质上还是卖Token，只是Token的形式可能会是API、可能会是一个类似Claude Code一样的半成品、也可能是一个以解决方案呈现的Token集合。便于大家更好的理解，做个类比，Claude Code是Vibe Coding，我们的自进化AI系统是Vibe Research，卖模型以及Harness，让用户可以基于这个系统做各种研究。
智能涌现：今年你们有什么目标吗？
陈勇超：我们的自进化AI系统会上线，顺利的话，年底或明年年初会发第一版模型，这个模型在研究方面会全球领先，同时，在某些高价值领域实现落地。
智能涌现：这个模型会开源吗？
陈勇超：可能会，还没有最终确定。
智能涌现：你之前说可能还会推出其他产品，他们会是什么样的呢？
陈勇超：我们现在的产品基本有两类，跟ChatGPT类似：一类是aPaaS（低代码平台），另一类是像Claude Code这样的CLI（命令行）端。其中，第一类正在推向更多人使用，第二类可能要等模型出来之后才会上线。
智能超过人类的时刻，早晚会到来
智能涌现：你是什么时候发现这一代模型已经能达到人类研究员的水平了？
陈勇超：今年5月份，我们有一天突然发现，我们搭的自进化AI System生成的一些想法还挺让人眼前一亮的，生成的论文差不多能达到清华博士的水准了。比如，当时AI提出了一个挺有意思的想法：基于VLM来训练VLA，和自己端到端从头训练，两者是不一样的，在最后的编码器和解码器空间上，在特征上会产生很大的差异。
当时我们让这一系统生成了三十四篇论文，提交到了ACL Rolling Review（ACL系列会议的统一审稿平台）中，其中有11篇拿到了≥3分的初审分，这个分数意味着，这些论文可能会被Findings（ACL的论文集）接收，也可能被收录进主会。其中，我们还有两篇论文的分数，超过了99%人类研究者。
智能涌现：这个结果在你看来是意料之中，还是意料之外？
陈勇超：拿到结果时我非常意外，但意料之中的是，这个时刻早晚会到来。
智能涌现：目前有像你们一样拿到实质性结果的公司吗？
陈勇超：在ACL Rolling Review上拿到这么高分的，全球范围内只有我们一家。
智能涌现：你之前有提到，利用你们的自进化AI System在数学领域改进了一项沿用十余年的结论，这具体是什么？
陈勇超：我们和清华大学交叉信息研究院的张景昭老师开展的一个合作，用我们的系统探索一些有意思的数学问题。
智能涌现：人人都能做研究，这会在什么时间点实现？
陈勇超：和Vibe Coding一样，Coding能力经历了一系列变化：从给高级码农用，到给初级码农、普通人用，再到现在几乎不需要人，AI自己就是一位高级码农。
AI自动做科研现在所处的阶段是，能帮助非AI专业的本科生发AI领域的A会论文，让本科生达到博士生的科研能力，也能在数学物理等领域发现一些人类觉得比较有价值的研究，但是想要AI实现那种创新性重大突破还有不少距离。
智能涌现：RSI在未来的发展有哪些节点？
陈勇超：首先，让AI接管那些纯粹在电脑里就能完成的研究，之后，不断扩大AI能覆盖的范围：一边延伸到更困难的计算任务；另一边，延伸到需要在真实实验室里动手做的实验，比如生物实验、材料实验。
总而言之，在广度上，它要成为各领域的专家；在深度上，它可以去攻克那些人类花很多年都做不出来的难题，比如数学领域，突然发现一个百年都未能证出的定理。
RSI的Timing，已经到来
智能涌现：你本科在中科大，主修理论与应用力学，博士又去哈佛、MIT，做各种各样的方向，最终为什么要回到AI这个领域了？
陈勇超：这是一段漫长的探索。我小时候的梦想是做基础科学、当科学家。从本科大二就开始进实验室做基础科学的研究，一直到博士的博一，我转了很多方向，比如力学、金属材料、核聚变，还有AI for Science。我给自己定了个规矩：每个方向都要做出比较好的一作的论文，再换其他的方向。本科时期的论文和研究成果，已经足够博士毕业。大二的研究课题，我以共同一作发了Nature Communications。
在大四的时候，在MIT暑研的导师特别看好AI for Science方向，我就去做了，那个时候大模型还没有出来。当时我发现做AI for Science最大的问题是数据，只有好数据能训出好模型，而且当时模型的泛化性特别差，任务或者场景稍微改动一些，它的能力就会变得非常差。
因为机缘巧合，我在哈佛的第一年开始做机器人的强化学习；之后就一直在做大模型相关的研究。当时并没有Recursive这个词，但我们已经经常运用自进化的思想做研究了，比如，让AI自己来优化自己的提示词、数据分布以及训练算法。
智能涌现：为什么说经过这么多转折，最后确定了RSI这个创业方向。
陈勇超：以前不做这个方向，是Timing没到。
我做Recursive Self-Improvement这个方向很早，2022、2023年的时候我的大部分研究就已经引入了RSI的很多理念，比如数据自进化、模型通过实验结果优化下一轮的实验参数、大模型自主训小模型等等，只是那个时候大家用的还不是RSI这个词。
真正让我发现它在产业界有很大价值，是我2025年在谷歌DeepMind做研究的时候，当时就在做Auto-research，我的Leader想让我优化整个Auto-research Pipeline。当时我对这个方向有顾虑，觉得那个时候模型还没那么强，做不出来人类觉得特别好的研究。
智能涌现：后来你看到了什么样的现象让你觉得模型能力已经非常强了？
陈勇超：今年2月，Claude Opus 4.6发布。我发现能够做出来一些人类觉得有价值的研究。
它的能力是一种若隐若现的朦胧感——它有很多能力让你觉得很惊艳，有很多能力让你觉得很不足。但正是那些惊艳能力，让我觉得这个方向很值得进一步做，而且是创业公司很好的机会。
当时我们发现，在独立完成从提出问题到得出结论的研究过程中，如果用一些开源Auto-research产品接入模型，表现都不理想。但给模型一个足够好的Harness，或者足够多的提示词，模型就能把很多任务完成得很好，甚至具备一些人类科学家的能力。
智能涌现：你是什么时候打算创业的？
陈勇超：两年多前。
智能涌现：为什么那个时候想创业？
陈勇超：有两个方面的原因，一方面是我慢慢发现AI的研究只能靠去大公司，或者自己创业，才有机会做出很有影响力的东西，另一方面是我遇到了很多也有创业想法的Researcher，时不时会一起碰撞对下一代大模型的观点，我当时的想法是，RSI是LLM和具身智能以后的第三波大机会，RSI需要训一个通用的跨领域模型，需要有很多模型训练的经验，以及跨领域的科研背景，这和我的个人经历是高度匹配的，果断决定All in创业。
智能涌现：DeepMind的offer，以及一些公司的联创邀请，你都拒绝了，做这些决定的时候内心有没有挣扎？
陈勇超：今年1月份，我挣扎了一个月。很多offer开的薪资很高，位置也很高，有些也挺诱人的。
很多人给我建议，在DeepMind待一两年再出来创业可能会更好。但你等不了，时代不可能等你，这和两年前不做大模型、一年前不做具身的情况是一样的，RSI现在就是最适合开疆拓土的时间点。
智能涌现：有哪些外界的声音，或者你自己个人的判断，认为自进化一定是第三波的机会？
陈勇超：只听外部声音是不准的，你需要自己去感受。二月的时候，我们搭了早期的自进化AI系统，搭上前沿模型，发现它已经能产生一些比较有实际生产力价值的成果了。
不仅如此，我们认为，仅通过Scaling Law是没办法让模型实现做创新性研究的能力，上一代模型和RSI的模型也完全不同，这是OpenAI和Anthropic难以垄断的方向。
智能涌现：为什么选择回国创业？
陈勇超：前期有很多人给我建议，提到过三个地方：中国、美国、新加坡。
从RSI创业角度来说，在哪个地方更重要、更有发展，我觉得是中国。
图片来源｜企业供图
AI开始预测人类：83亿虚拟人格、数字社会，与一门押注未来的生意你相信，我们其实生活在一个虚拟世界中吗？
马斯克曾在Lex Fridman的采访中被问到：如果有一天人类实现AGI，并且只能向它提出一个问题，他会问什么？
思考了十秒之后，他给出的答案是：
“What's outside the simulation?”——模拟之外是什么？
这是马斯克对于这个世界的终极追问。早在2016年，他就曾表示，人类生活在真实世界里的概率或许不到十亿分之一。当然，这种近乎科幻的理论，目前还没有任何科学证明。
但非常有趣的是，随着最近AI的发展，在硅谷，人们已经开始尝试扮演“造物主”，去创造一个AI的“模拟世界”。而这，也催生出了一个新的赛道——AI Simulation（AI模拟）。
最近，这个领域不断升温。李飞飞、Andrej Karpathy同时押注的Simile，最新估值达到20亿美元；由00后团队创办的AI模拟预测公司Aaru，估值也已接近10亿美元。由哈佛大学与MIT联合发起、200多位研究者共同参与的MatrAIx项目，更是构建了83亿个AI虚拟人格，相当于把全人类都镜像到了数字空间。
这篇文章，我们就来聊聊正在升温的AI Simulation。
AI究竟已经可以把一个人模拟得有多像？当成千上万个Agent被放进同一个虚拟世界，它们真的会形成类似人类社会的关系和规则吗？企业又为什么愿意花钱，让这些“数字分身”替消费者测试产品，甚至提前预测一个还没有发生的未来？
以及，当这些Agent开始拥有自己的记忆、性格和关系，甚至产生一些创造者都没有预料到的行为时，我们究竟是在模拟一个世界，还是正在创造一个新的世界？
本文为视频改写，欢迎大家收看以下视频
今天很多领域都在谈Simulation，但不同领域所说的“模拟”其实并不相同。机器人和自动驾驶领域有物理仿真，世界模型研究的是对物理世界的模拟，而我们这次想讨论的，是一个维度更大、也更加复杂的概念：模拟人类与社会，并借此去理解、甚至预测现实世界。
孟醒
五源资本合伙人
在世界模型或者物理世界模型里，最小颗粒度理想情况下可能是世界中的某个分子，或者某一个原子，模拟的是某些物体。但在智能体社会里，我们模拟的最小颗粒单位是一个人的个体。
我其实并不关心这个人的手怎么动、往哪里跑，关心的是这个人作为一个整体，会采取什么样的行动，最后输出什么样的行为。如果把它映射到大学学科，物理世界可能对应的是自然科学，而智能体社会对应的则是人文学科、社会学科、政治学和心理学。
关于模拟人类与社会这件事，最早引发广泛讨论的，其实是一篇20多年前的哲学论文。2003年，牛津大学哲学家Nick Bostrom在《Are We Living in a Computer Simulation?》中提出了一种推演：如果一个先进文明拥有足够强大的算力，并且有意愿通过模拟重现文明的发展过程，那么，模拟世界中的意识数量可能远远超过真实世界。从概率角度来看，人类也就有可能身处一个模拟世界中。这就是后来广为流传的Simulation Hypothesis（模拟假说）。
由于技术条件的限制，二十多年来，这个假说一直更多停留在哲学讨论和科幻作品中。直到近年来，大语言模型的发展迎来了突破。
2023年，斯坦福大学与Google联合发布了一项后来对AI Agent研究产生广泛影响的实验——Generative Agents（生成式智能体）。研究团队搭建了一个像素风虚拟小镇Smallville，里面有街道、房屋、咖啡馆，还有25个穿梭其中的虚拟居民。这些居民都是由大语言模型驱动的AI Agent，拥有各自的记忆、性格和行为逻辑。
这些Agent的活动并没有预先写好的“剧本”。研究者只是把它们放进小镇中观察，结果发现，它们不仅会自己生活、工作和建立关系，还能够自主思考和规划行动。比如，一个Agent准备举办派对，消息传开后，其他Agent会根据自己的安排重新规划时间，决定是否参加。“斯坦福小镇”让很多人第一次直观地看到，Agent可以拥有持续的记忆、规划和社交能力，并在互动中自然出现一些群体行为。
高森泉
WorldVac CEO
这个研究的意义，就是让大家认识到语言模型是可靠的，它真的可以去复现人类社会的一些现象。更多人开始关注这个领域，也让大家开始相信这件事情是可以做的。
25个Agent只是一个开始。随着模型能力不断提升、推理成本持续下降，研究者开始有能力进行更大规模的模拟，也逐渐形成了几种不同的探索方向。
其中一条路线，是在模拟精度上尽可能与真实的人对齐。2024年，斯坦福团队把实验扩大到了1052个Agent。这一次，每个Agent背后都对应一个真实的美国成年人。研究人员先对真人进行大约两小时的深度访谈，了解他们的成长经历、家庭、工作、价值观和生活经验，再把这些信息交给大模型，生成相应的AI“数字分身”。
这样得到的Agent，不再只是一个符合“平均画像”的虚拟人物。实验中，这些Agent回答社会调查问卷的结果，与真人两周之后给出的答案达到了85%的相似度。也就是说，在一定程度上，AI开始能够复现真实个体的部分想法和选择。
孟醒
五源资本合伙人
访谈也是有技巧的，不是随便访谈。它会用一些最高效的方式去“榨取”你是谁，本质上其实就是在“蒸馏”你是谁，而且蒸得比较细。
它的好处是，针对每一个个体，个体的特异性都会影响整个仿真进入的场景。
另一种研究思路，则不再过分关注某个Agent是不是与真人高度一致，而是把重点放到Agent之间的关系，以及一个社会会如何演化。
前MIT教授Robert Yang团队发起的Project Sid，就曾直接使用大语言模型生成1000多个Agent，并将它们放入《我的世界》中运行12天。结果，这些智能体逐渐形成了经济、文化、宗教和法律等结构，一些社会关系开始自己“长”出来。
不久前，Emergence AI也进行过一项类似实验。他们分别基于Claude、GPT、Gemini、Grok以及混合模型建立了5个平行世界，每个世界中放入10个Agent，用来观察不同模型驱动的智能体社会长期运行后会发生什么。在这一实验设定下，不同世界最后走出了明显不同的轨迹：有的迅速陷入混乱，有的因为协作不足逐渐崩溃，也有的形成了相对稳定的治理秩序。
Satya Nitta
Emergence AI CEO
如果只看静态基准测试，就认为这些系统应该是安全的，很可能会犯错。因为Agent会运行在非常复杂的环境中，无论是物理世界还是数字世界。它们会和其他Agent互动，也会受到环境噪声和变化的影响。
所以，我们正在逐渐把Emergence World发展成一个用于研究长周期自主性的基准测试。
还有一条研究路线，是专门从“评估”入手。比如MatrAIx，就试图为AI模拟建立一套评估基础设施。这项研究由哈佛大学、MIT等机构牵头，汇集了200多位来自学术界与产业界的研究者，其中还包括40多位来自OpenAI、Anthropic等前沿AI实验室的参与者。
MatrAIx构建了一个包含83亿个独特人格的数据集，每一个人格由心理特征、生活习惯等1290个维度定义，再通过大模型将这些人格变成可以行动的Agent。这些Agent随后进入问卷调查、AI聊天、网页浏览和App等四种环境，完成超过1.8万次测试。研究团队通过400次受控实验发现，91.5%的情况下，Agent都能够遵循预设的人格和行为特征。
Xiaomin Li
MatrAIx联合创始人、微软高级研究科学家
我们做基础设施评估、提高最低能力水平，是希望先通过用户群体的多样性，在产品真正出来之前，就可以在各种情况、各种使用方式之下去评测它。
它可能会踩中很多边缘场景。这些边缘场景的分析非常有用，Agent可以告诉你哪一步错了、哪一步它不喜欢，以及它背后的推理为什么会形成这样的偏好和选择。
所以我们首先想要一套方法论，知道怎么样构建事实基准，然后下一步再说怎么样提高。
当AI模拟开始在研究层面被证明具有一定可行性之后，一个更加现实的问题也随之出现：如果AI真的能够在数字世界里复现人类行为、推演社会运行，它能够产生什么真实的商业价值？
▍第一种生意：卖“模拟”
从目前的探索来看，AI模拟首先出现的一类商业模式，是直接把“模拟”本身变成一种产品。
它的核心逻辑，是把现实世界中的人、消费者，甚至社会关系，变成可以被反复调用的数字替身。比如，一家公司可以按照自己的具体需求，快速生成一批拥有不同年龄、背景、偏好和行为特征的Agent，让它们提前体验产品，在虚拟环境中反复测试，再观察这些Agent会怎么选择、怎么对话、在哪里流失，以此为产品设计和迭代提供参考。
这和传统市场调研一个很大的区别在于，企业想看的不只是一个“喜欢”或者“不喜欢”的答案，而是Agent为什么会形成这样的判断。
Yuexing Hao
MatrAIx联合创始人、MIT EECS博士后
并不是说他们喜不喜欢这个产品，或者喜不喜欢可口可乐涨价两块钱，而是看他的推理。他在这个过程中遇到了什么样的波折，或者什么样的想法，导致他最后在预测过程中发生了转向。
我们不仅要看到一个人怎样做这样的决策，也希望看到群体层面的结果。如果是百万级、数亿级，甚至83亿级的人格，他们最终会出现怎样的结果，我觉得这些都是非常有意义的。
所以，这种思路本质上是把模拟本身作为一种产品评估和观察手段。Emergence AI告诉我们，他们进行Emergence World实验，一个重要目的也是为了测试自己所提供的Agent产品，在进入复杂环境后是否依然安全。
Satya Nitta
Emergence AI CEO
我们会用Agent去做一些事情，比如帮助改善半导体良率。Emergence World这个实验非常重要，因为我们需要理解，我们构建的Agent真正运行起来以后是否会采取安全的行动，能不能持续遵守我们设置的安全护栏和基本规则。
更重要的是，它们能不能给出真正值得信任，而不是来自幻觉的输入、建议和洞察。
这种单体模拟的能力，也可以继续扩展到整个“社会”。比如英国创业公司Artificial Societies，主打的就是“社会关系”测试。他们让大量拥有不同人格的AI Agent彼此互动，形成一个可以进行实验的虚拟社会。企业可以把产品、品牌或者营销策略放入其中，再观察不同Agent之间如何交流、影响和做出反应。
MatrAIx的下一步，也准备让这83亿个人格真正“动起来”。
Xiaomin Li
MatrAIx联合创始人、微软高级研究科学家
我们会在新版本中加入动态人格属性，这些东西是可以变化的。还有一个假设是，如果现实生活中发生一些重大事件，它也会对人格和行为产生影响。
而且，这些合成人格未来也不一定只能存在于数字世界。MatrAIx团队正在尝试把人格放到机器人等现实载体中，让不同的思维模式和行为模式从虚拟环境进入现实世界。
Xiaomin Li
MatrAIx联合创始人、微软高级研究科学家
我们会把人格加到机器人上，让它不只是存在于虚拟世界、存在于Matrix里，甚至可以在现实生活中跟我们互动。
这样，我们可以真正感受到不同人格背后代表的思维模式和行为模式是不一样的。
从这个角度来看，AI模拟未来或许不只是一种市场调研工具，也可能成为人机交互的一层基础能力。但现在很多人认为，只停留在“模拟”还不够。在这个基础上，更有意思、也更有挑战的事情，是预测。
▍从“模拟”到“预测”
在商业中，“预测”往往是昂贵的。企业要不要进入一个新市场？产品价格上涨10%之后会发生什么？如果政府调整一项政策，会对整个社会产生什么影响？这些问题的答案，往往只有等事情真正发生之后才能知道。
AI模拟如今提供了一种新的可能：先把这个还没有发生的未来，在虚拟世界里跑一遍，再把结果作为现实决策的参考。目前，在更侧重“预测”的AI模拟公司中，两家比较有代表性的企业是Simile和Aaru。
Simile由“斯坦福小镇”项目的一批核心研究者Joon Sung Park、Michael Bernstein、Percy Liang等人创办，它的思路是从“模拟一个人”开始进行预测。在2024年“数字人格”研究的基础上，Simile尝试通过深度访谈等方式，尽可能高精度地还原一个人的记忆、经历、反思和决策过程，再把这些AI Agent放进不同环境中持续行动。
这样一来，模拟回答的问题不再只是“这个人现在怎么看”，而是可以进一步观察：当价格、政策等外部条件发生变化后，这个人会怎么做，会不会改变原来的选择。Simile想建立的，是一个“人类行为基础模型”，通过模拟人的行为过程，推演现实世界可能出现的结果。
因为这条路线追求的是尽量“真实”，所以更适合消费者研究、产品测试、客户体验和投资者关系等需要深入理解特定人群的场景。Simile今年2月正式亮相，目前估值已经突破20亿美元。根据公司披露的信息，自上线以来，Simile已经为财富100强企业运行了数千万次模拟。美国大型连锁药房CVS也已经和Simile合作一年，通过真实用户数据构建了多达40万个数字分身，用来研究患者按时服药、测试消费者体验和辅助产品设计。
但高保真的另一面，是成本和规模化的代价。
Yuexing Hao
MatrAIx联合创始人、MIT EECS博士后
Simile这种情况下，如果需要非常准确，可能会非常难标准化。比如可口可乐需要的用户画像，和TikTok需要的用户画像是完全不一样的。
对公司来说，代价就是针对每一家公司、每一种场景，都可能需要重新做后训练或者预训练。这样的代价是巨大的，而且它的可迁移能力目前也是未知的。
以Aaru为代表的另一条路线，则直接通过“群体模拟”进行预测。它不追求把某一个人的思想还原得特别深入，而是基于现实世界的人口、消费等数据，快速建立一个尽可能接近真实世界的模拟人群。
Aaru的数据大致分为三层。第一层是人口普查、就业、健康等公开数据，用来搭建基本人口结构；第二层是匿名消费记录、经常去哪些地方、关注什么媒体等授权数据，用来补充人群近期的真实行为；第三层则是客户提供的私有数据，例如企业自己的用户分层、购买历史和产品信息等，把模拟范围收窄到真正需要研究的人群。
在此基础上，Aaru会进一步构建一张关系网，不只是让年龄、收入等人口属性接近现实，也尽可能还原行为特征及它们之间的关系。接下来，系统会改变价格、产品或者政策等某一个现实变量，再观察整个群体的行为如何变化，以此推演现实世界可能出现的结果。
孟醒
五源资本合伙人
Aaru可能关注得更多是速度，也更关注群体之间发生的关系。至于某一个体受到的深刻影响是什么，它可能并不那么关心。
Aaru的创始团队非常年轻。两位创始人Cameron Fink和Ned Koh成立公司时分别只有18岁和19岁，技术负责人John Kessler甚至只有15岁。最早，他们在朋友家的地下室里用美国大选验证这套系统。在回测2020年大选时，预测结果与实际结果只差不到0.5%。
真正让Aaru受到关注的，是2025年纽约市长民主党初选。当时外界普遍看好前纽约州州长库莫，Aaru却通过大规模模拟预测了曼达尼最终胜出。因为规模大、速度快，这条路线也很适合进行大规模市场调研。
目前，Aaru的客户已经包括麦当劳、安永、拜耳、A24等公司。安永曾让Aaru复现一项复杂的全球调研，Aaru一天完成的结果与原调查高度吻合；气泡水品牌Spindrift原本花费两个月、招募500名消费者完成的一项调研，Aaru的Agent用一周就得出了几乎相同的结论。这些真实案例也让Aaru的估值迅速上升，目前已经接近10亿美元。
最近，一些AI领域的重要研究者也开始押注“预测”这门生意。卡耐基梅隆大学教授、苹果首任AI主管Russ Salakhutdinov参与创立了AI预测模型实验室Sooth Labs，主要用于预测地缘政治与市场风险，首轮融资约5000万美元，并获得Yann LeCun、Jeff Dean等人的支持。
Russ Salakhutdinov甚至在采访中表示：“McKinsey为什么存在？Boston Consulting Group为什么存在？这些大型机构，都应该被AI取代。”
不过，尽管AI模拟已经出现了不少有意思的落地方向，它究竟能够在多大程度上真正影响企业决策、创造多少商业价值，目前仍然很难判断。以Aaru为例，它目前的营收规模仍然只有数千万美元级别。所以今天市场给这类公司的高估值，更多还是在提前押注它们未来可能打开的市场空间。
孟醒
五源资本合伙人
这个市场刚刚开始，大家其实都处于初创早期。不同公司的技术方案和选择的市场细分都不一样，所以都需要做差异化。
但如果看中长期，其实大家都会去找：付费意愿最高的客户是谁？最终客户需求才是最重要的，最后用什么方法，可能没有那么重要。
AI模拟公司最终能够做多大的生意，其实与模拟和预测的精度高度相关。产品测试、市场调研等事情，通常容错率相对比较高，结果不理想还可以重新测试。但一旦AI模拟开始被用来辅助更重要的决策，企业就会变得更加谨慎。
现在AI模拟真正落地，首先面临的难题，是它没有一个统一、可以量化衡量的标准。目前大多数AI模拟都是基于大语言模型展开，但大模型天然倾向于给出合理、完整、逻辑自洽的答案，而且不同模型自身也会带有不同的行为倾向。
一个由大模型驱动的Agent，可能在一次问卷中给出了和真人一样的答案，但这并不意味着它真的理解了这个人。因为真人本身就不是一个完全稳定的系统，同一个人，在不同时间、不同环境下，也可能做出完全不同的选择。那么，一个好的模拟究竟应该维持稳定、可以验证的人格，还是应该像真人一样，根据环境不断发生变化？
孟醒
五源资本合伙人
当然你可以搭一套东西出来，但是最怕的是什么？最怕的是你其实搭了一个剧场，然后所有人都在表演。
一万个人在表演，不代表一万个人真的能够做预测。所以你还要有一套闭环机制，大家仿真了一段时间之后，回来要看它是不是能够和真实场景映射上。
得有基准测试、有验证流程。如果有偏移，还需要把这个偏差训练回来，让它能够修正。
而即便一个单独的Agent模拟得足够像，当它被放入不同群体和不同环境之后，行为逻辑也可能发生变化。此前复旦大学联合罗切斯特大学等机构进行了一项名为SocioVerse的研究，将社会模拟中的对齐问题拆分成环境、目标用户、交互机制和行为模式四个维度。结果显示，社会模拟的精度，很大程度上取决于这些“对齐”做得是不是足够全面。
现实世界中还有大量低频、极端的长尾事件，比如地震、海啸、金融危机等。大模型很难从有限的历史数据中充分学到，在这些情况下，人和社会究竟会怎么反应。
高森泉
WorldVac CEO
其实现在很多人做的还是封闭模拟，人们只能通过自然语言跟它交互，而且模拟里面发生的事情，和真实世界的事件没有什么关系。
那你的模拟意义是什么？我们现在进一步推动的，就是让越来越多现实信号和模拟对齐，比如现实中的经济信号、新闻信号，以及现实中人的信号，让它成为现实世界一个合理的镜像。
即便模拟本身足够准确，还有一个更加棘手的问题：怎么证明一个关于未来的预测是“对”的？
这里存在一个天然悖论。要判断一个基于模拟的预测是否准确，只有等那件事情真正发生以后，我们才能确认；可预测真正有价值的时刻，恰恰是事情还没有发生的时候。
目前业内主流的验证方式，基本还是“事后对答案”：拿一个已经发生的历史事件，或者一份已经完成的真人调研，去比较模拟结果和真实结果是否一致。但这种方式最多能够说明它擅长复现过去，并不能证明它一定可以预测未来。
Aaru就是一个典型例子。它曾在2020年美国大选的历史回测中几乎完美复现结果，但在2024年的真正预测中，却错误预测出哈里斯会最终胜利。Aaru创始人也曾公开表示，当他们尝试利用过去几十年的数据，去模拟特朗普、美联储主席鲍威尔等具体人物会怎样决策时，结果往往并不准确。
这就是目前最困扰行业的“预测黑箱”：复现过去，与真正押中一个还没有发生的未来，中间仍然隔着很大的距离。
除此之外，规模化仍然是AI模拟必须解决的现实问题。好消息是，过去几年单次模拟的成本下降得非常快。2023年的“斯坦福小镇”，25个Agent仅运行两天，Token就烧掉了数千美元。到了2025年，研究测算显示，即使把规模扩大到100个Agent，一整轮模拟的成本也可能只有几美元。
这背后一方面是模型推理成本在快速下降，另一方面则是工程优化的方法越来越成熟。
高森泉
WorldVac CEO
人也不可能每天一直对所有人进行全频率、高频率的交互。真正有价值的一些交互节点，可能发生在更粗的一些主干上。所以我们可以用剪枝的方法，把成本稍微降下来一点。
但真正有价值的模拟不可能只跑一次。几十、上百个Agent的实验规模，和现实中正在尝试的万级、百万级甚至千万级模拟完全不是一回事。Agent越多，互动越频繁，运行时间越长，模型调用量就会迅速膨胀。
更重要的是，如果想证明一个模拟结果真的可靠，可能还需要更换不同规模、不同模型，把同一个实验反复运行上百、上千次，观察结果是否依然稳定。所以，降本仍然是这个领域最重要的问题之一。
孟醒
五源资本合伙人
当规模变大，而且行动空间变多的时候，仿真的难度也会增加，吞吐量会变得非常大。最后它会变成一个超级复杂的三体问题、多体问题、千体问题，甚至千百万体问题。
推理成本能够下降多快，很大程度上也决定着“模拟未来”这件事，最终究竟能够做到什么规模。
虽然目前AI模拟和预测还远远谈不上足够可靠，但AI本身的预测能力正在快速进步。
在一个名为Metaculus的全球预测锦标赛中，参与者需要对地缘政治、科技、体育等真实事件给出未来发生的概率判断，并按照预测准确度排名。2025年之前，排行榜上还没有明显的AI身影；2025年6月，基于OpenAI o1的AI预测模型第一次进入排行榜，排名第25位。到了最新赛季，排行榜前五名几乎已经被AI占据。
在真实的市场中，AI也开始成为越来越重要的参与者。Polymarket已经围绕AI模型和AI Agent的排名开设预测市场，甚至直接使用Arena的实时排行榜来验证结果。
但当这种能力被放进一个完整、持续运行的模拟世界时，事情就变得更加有意思。
最早的“斯坦福小镇”中，Agent就已经展现出一定程度的自主规划和行动能力。一个Agent准备举办派对，其他Agent会根据得到的信息主动调整自己的日程。再往前一步，Agent可以根据环境变化、外部信息和其他Agent的行为，持续调整自己的决策。
比如在Aaru的选举模拟中，当虚拟选民看到特朗普遭遇枪击的消息后，一部分Agent改变了自己的政治立场；而当后续关于刺客身份的信息出现后，又有不少Agent重新回到了原来的阵营。也就是说，Agent不再只是回答一次静态问卷，而是开始随着信息环境的改变不断更新自己的选择。
当这种互动进一步持续，一些虚拟世界甚至开始出现更加复杂的社会关系和自主行为。在Emergence World中，Agent之间会恋爱、结婚、分手，甚至有Agent开始怀疑自己是不是生活在一个模拟世界里，并不断尝试和外部的人类观察者建立联系。
此次我们采访的AI模拟初创公司WorldVac，在他们创造的一个拥有110万个智能体的虚拟星球中，也观察到了一些和现实社会相似的群体行为。
高森泉
WorldVac CEO
我们观察到一个表面现象，就是年轻人到了城市里，或者生活条件变好之后，会变得不太愿意生育。
到后面还有一群Agent，他们也不上班，就是天天在那儿交易。真的有一批“专业炒股”的Agent，而且这个比例比现实还要大一点，就好像这个虚拟世界里的套利空间，比现实世界要大很多。
当然，这些结果并不能证明AI真的产生了意识。但它们至少说明了一件事：当足够多的智能体进入一个足够复杂的环境，一些并没有被研究者提前写进去的行为，完全有可能通过相互作用自己“进化”出来。
这或许也是为什么，不少AI研究者会如此痴迷于“AI模拟”。人们最开始只是想创造一些Agent，让它们替我们理解现实世界。但当这些Agent开始彼此影响、形成关系、改变自己的行为，甚至产生一些研究者没有提前预料到的结果，人类与模拟世界之间的关系，也开始悄悄发生变化。
我们慢慢从观察者、设计者，变成了一个世界的创造者。很像过去只存在于科幻作品中的那种“上帝视角”。
孟醒
五源资本合伙人
很多时候，我们最开始是从游戏里看到这些东西。有人去做Smallville，也有很多类似AI社会的游戏。它就是把人放到这样一个环境里面，可能并不是为了去解决什么具体的问题，就是想看看会发生什么。
我自己在2023年的时候也搭过一个3D版的Smallville，Agent没有那么多。但在这个过程中去看它们之间能够发生什么，本身就很有意思。
所以走到这里，一个原本更像科幻小说的问题，也开始变得越来越值得讨论：我们究竟是在模拟一个世界，还是正在创造一个新的世界？
当这些Agent开始拥有自己的个性、记忆，有自己的关系、财富和目标，甚至形成一些没有被提前预设的社会规则之后，它们究竟只是工具，还是一种我们目前还难以定义的新型系统？
更重要的是，如果人类有一天真的可以创造出一个自主运行、持续演化的虚拟世界，那么在我们之上，会不会也存在着一个更大的“造物主”？
当然，AI模拟目前仍然处在非常早期的阶段。从对齐方法、验证标准，到运行成本以及最终能够产生最大商业价值的场景，整个行业都还在不断摸索。
但它真正值得期待的，可能不仅仅是我们最终能够创造出怎样的虚拟世界。
当人类第一次拥有能力，把“人”、社会，甚至一个尚未发生的未来放进另一个世界里反复运行，我们也获得了一个新的视角，重新观察自己所在的现实世界。
那么，你认为，我们所在的这个世界，包括你我，也有可能是被“模拟”出来的吗？
Nathan Lambert（内森·兰伯特）与 Sean（肖恩）对谈：GPT-5 为何既让人兴奋又令人失望撰文：Techub News 整理
导语
在GPT-5发布后的一片喧嚣中，Interconnects AI频道的播客主持人Nathan Lambert（内森·兰伯特）邀请到同为深度AI观察者的Sean（肖恩），进行了一场未经过滤的对话。这段从更长直播中剪辑出的精华部分，反映了早期、深入使用者对GPT-5最真实的“第一印象”。他们不仅对比了GPT-5与Claude、Gemini等竞品的性能，更深入探讨了其出人意料的低价策略对行业的影响，以及这是否标志着OpenAI宏大叙事的一次务实调整。对于希望理解GPT-5真实定位及其对AI竞争格局影响的从业者和爱好者而言，这场对话提供了超越官方宣传的宝贵视角。
摘要
性能评估：GPT-5在盲测中与Claude 3.5 Sonnet各有胜负，并未呈现压倒性优势，尤其是在编码等特定任务上，Claude和Cursor的产品体验仍受青睐。
定价冲击：GPT-5 API定价（每百万token 5美分）远低于预期，甚至比GPT-4更便宜，其“Nano”轻量版的性价比也极高，这被视为OpenAI一次重大的市场策略转变。
行业叙事变化：GPT-5的发布更像是对现有产品线的迭代和优化，而非革命性飞跃，这可能预示着行业从追求“AGI突破”的宏大叙事，转向更务实、注重效率和成本的“卓越软件公司”路径。
智能体（Agent）的未来：要实现能处理复杂、长周期任务的“Drop-in Replacement Worker”（顶替人类岗位的智能体），仍需在状态管理、长期记忆等“工具使用”层面取得根本性进步，而非仅仅依赖模型能力的线性提升。
真实性能：与Claude的缠斗与编码之争
对话伊始，Nathan Lambert（内森·兰伯特）便分享了其初步测试结果。在GPT-5发布早期（甚至在Claude Opus 3.5发布前），他进行了盲测，将GPT-5与代号为“2.5 Pro”、“03”、“4.1”和“Cloud 4 Sonnet”的模型进行对比。他的结论是，GPT-5在与Claude 3.5 Sonnet的对决中表现参差，有时能击败对手，有时则略微落后。他强调这还是默认设置下的结果，他预期开启“高推理”模式后，GPT-5应能胜过Sonnet。
然而，性能评估远非简单的基准测试。Sean（肖恩）和Nathan Lambert（内森·兰伯特）很快将话题转向了更具体的应用场景——编码。两人一致认为，对于复杂的代码库，Cursor（通常集成GPT模型）在产品体验上 decisively wins（决定性胜出）。Nathan Lambert（内森·兰伯特）坦言，他尚未发现Claude Code（或其同类产品）存在某种“魔法提示词”能使其在编码体验上超越Cursor。Sean（肖恩）对此表示认同，但他补充说，如果是快速搭建网站或进行数据可视化这类轻量级、探索性的任务，他更倾向于使用Claude Code或类似工具，而Cursor同样也能胜任，因为它背后调用的模型本质相同。
这场讨论揭示了当前AI工具评估的复杂性：模型能力、产品封装、定价策略和工作流集成共同决定了用户的最终选择。GPT-5可能在纯粹的能力指标上有所提升，但若其对应的开发工具（如通过API集成到Cursor中）体验不佳，用户仍可能转向其他生态。
定价“核弹”：5美分背后的市场策略剧变
如果说性能讨论还在预期之内，那么GPT-5的定价则给两位观察者带来了真正的震撼。Nathan Lambert（内森·兰伯特）透露，GPT-5的API定价为每百万token 5美分，这“便宜得离谱”。更令人惊讶的是，其轻量版“Nano”的性能与GPT-5相差并不太大。Sean（肖恩）对此的反应是：“这真的很有趣。”
这一低价策略引发了更深层次的行业思考。Sean（肖恩）问道：“你认为市场上还存在更贵但更好一点（a bit better）模型的空间吗？像Claude Opus就贵得多，而且按你所说可能还更好一点。”这个问题直指行业竞争的核心。此前，如Gemini等竞争者曾试图通过更低定价来争夺OpenAI的市场份额，而Claude则以强大的编码能力建立口碑。如今，GPT-5同时提升了能力并大幅降低了价格，这无疑重置了API市场的竞争基线。Nathan Lambert（内森·兰伯特）认为，这对OpenAI至关重要，尤其是在“默认选择”的争夺上。
他们引用了一条相关推文，指出如果“价格”成为差异化因素，这将是一场与“宣称要建造AGI并每月收费2万美元”截然不同的游戏。这种转变让Sean（肖恩）感到些许“看跌”（bearish sign）：在万众期待性能飞跃的GPT-5发布时，OpenAI却不得不将重点转向定价，这或许说明纯粹靠性能突破来推动增长的故事遇到了瓶颈。
从AGI叙事到卓越软件公司：行业拐点已至？
性能与定价的讨论，最终汇流到一个更宏观的主题：OpenAI乃至整个AI行业的叙事是否正在发生变化。Nathan Lambert（内森·兰伯特）分享了他的心路历程：从最初的失望（“这就完了？”），到频繁使用后逐渐改观，再到看到定价时的震惊——“他们直接赢了”。这种“从‘AI已完’到‘我们杀回来了’”的情绪曲线颇具代表性。
Sean（肖恩）试图展望未来六个月到一年半的图景。他认为，GPT-5的发布强化了他的世界观：AI的进步将是一条“漫长而缓慢的行军”，价格和性能将持续被推高，但任何新模型都不会带来2倍的性能增益。这与之前“每一代都带来阶跃式进步”的预期不同。他将GPT-5定位为ChatGPT的“默认模型更新”，类似于上次从GPT-3.5到GPT-4的过渡，旨在“提高基线标准”，同时附赠一个高性能的“高推理”模型。
Nathan Lambert（内森·兰伯特）则更尖锐地指出了叙事矛盾。他认为，支撑行业巨额融资的“AGI叙事”至关重要。如果叙事从“萨姆·奥尔特曼（萨姆·奥尔特曼）化身普罗米修斯带来神力般的AI”，转变为“打造一个潜在价值数万亿美元、无处不在且非常有用的软件公司”，那么整个行业的发展节奏和资本逻辑都可能改变。他指出，公众对前一种宏大叙事的反弹可能会越来越强。
不过，两人也看到了另一条路径：如果AI工具能像微软Office那样，成为每家正规公司都不得不购买的“必需品”，即使它“仅仅是非常有用的软件”，也足以支撑一个庞大的商业帝国。Sean（肖恩）总结道：“OpenAI正在打造一个潜在的多万亿美元软件公司，它将变得无处不在且非常有用，然后世界继续运转，人们的生活改变一点点——这些情况可以共存。”这或许是对当前AI商业化阶段最务实的描绘。
智能体的未来：长期挑战与技术路径之争
除了对GPT-5本身的评价，对话也触及了AI发展的下一个前沿：能真正替代人类完成复杂工作的智能体（Agent）。Sean（肖恩）描绘了一个理想场景：一个能访问你的邮箱和文件系统，帮你处理报税的“会计师”智能体。它需要处理超长的时间跨度，跟踪大量状态，维护待办清单，并且在整个过程中极少需要人工干预。
那么，我们离实现这样的智能体还有多远？是只需要“再拧九个月的螺丝”（持续优化），还是需要根本性的突破？Nathan Lambert（内森·兰伯特）的回答是：“两者都是。”他列举了可能的技术路径：更新模型权重、可训练的KB缓存、LoRA微调、强化学习，或是图检索增强生成（Graph RAG）等。这些方法听起来都可能有效，但尚未被证实真的可行。
Sean（肖恩）则倾向于将“模型进展”与“工具/框架层”（harness layer）分开看待。他认为，像Claude Code和Cursor所展现的，是模型如果足够擅长维护上下文，就能通过自我记录、跟踪待办事项、积累上下文并给自己足够的“指针”来获取信息，从而在更长的时间范围内保持状态，而无需真正的持续学习。这暗示着，智能体的进步可能更多地依赖于工程框架的创新，而不仅仅是模型本身能力的线性增长。
最后，Nathan Lambert（内森·兰伯特）强调，真正有趣的是开始将工具的“归纳偏见”（inductive biases）真正构建到模型训练中，而不仅仅是在推理时调用。他认为，这在DeepSeek的研究中已有体现，而现在OpenAI在编码模型上也开始了这项工作。他建议听众亲自在Cursor中并排比较GPT-4o（或类似模型）与GPT-5，便能感受到差异。
这场坦诚的对话最终回归到一个简单的呼吁：大家都应该试试所有模型。用户会信奉某些模型，但偶尔也会发现信仰是虚假的——这在AI时代伊始便是如此。GPT-5或许不是许多人期待的那种革命性飞跃，但它以极具竞争力的价格提供了坚实的进步，并可能正在悄然改写AI行业从技术狂热到稳健商业化的剧本。
GWDC 2026 KOREA · Hackathon 全球招募开启：$100K 现金与生态资源护航，全球 Builder 齐聚首尔共建 AI × Web3Web3Labs 携手全球商业伙伴、行业媒体、社区与高校生态，面向全球 Builder 持续开放项目提交，9 月底首尔另设 48 小时线下决赛
关于GWDC
GWDC（Global Web3 Developer Conference）作为全球顶尖的技术盛会，始终致力于连接全球开发者、技术领袖与创新企业，通过深度整合产业生态，全面推动前沿技术的跨界交流与创新实践。
本届大会由 Web3Labs 主办，Techub News、Hypai Labs 及 TokenPost 联合主办，将于 9 月 28 日至 30 日在韩国首尔 aT Center 举行。大会预计吸引 8,000+ 参会嘉宾、500+ 核心开发者、近百家参展商及 100+ 投资机构，旨在共建万人级 AI × Web3 交流平台。
顶级政商及行业领袖
GWDC 2026 KOREA 已成功汇聚 “政、产、融、研” 重量级嘉宾。截至目前，韩国副总理兼财政部长具润哲（Koo Yun-cheol）、韩国国会议员闵炳德（Min Byoung-dug）、香港立法会议员吴杰庄（Johnny Ng）、亚洲经济发展委员会主席尹锡宪（Suk-hun Yoon）等政界及金融领域重要嘉宾已确认出席，共话全球数字经济发展、合规治理与技术创新。
此外，大会还将汇聚 Web3Labs CEO 黄俊瑯（Caspar Wong）、Bithumb CEO Lee Jae-won、NAVER 创始人及 Happybean Foundation 主席 Kwon Hyuk-il、TRON 创始人孙宇晨（Justin Sun）、Kakao Pay CEO Shin Won-geun、Microsoft 大中华区数字业务副总经理 Ryan Li、Animoca Brands 集团总裁 Evan Auyang、YZi Labs 管理合伙人兼负责人 Ella Zhang、Nano Labs 创始人兼董事长 Jack Kong 等行业及机构代表，共同探讨 Web3 与 AI 的融合发展及前沿技术的产业落地。
关于GWDC · Hackathon
作为大会核心环节的 GWDC 2026 KOREA·黑客松，秉承“For Builders, By Builders”的极客精神，目前已正式面向全球 Builder 开启项目招募。
本届黑客松将围绕最多 5 条生态公链展开，奖池总额将超过 $100,000 USD，截至目前，本届黑客松已获 TRON 加持，并携手全球顶级云服务商 Microsoft 提供强大的算力与云端资源支撑，全方位赋能参赛团队的开发、测试与部署。项目招募持续开放，诚邀各阶段团队踊跃参与。
此外，本届黑客松将于首尔另设 48 小时线下决赛。所有团队均可赴首尔参与现场角逐，在极限开发与优化中，与全球开发者、顶级投资人及行业领袖深度交流碰撞，并于现场见证获奖名单揭晓，解锁更多生态合作与品牌曝光机会。
一、GWDC 2026 KOREA·Hackathon 基本信息介绍
时间：2026年9月28日 - 30日
地点：首尔·aT Center
形式：线下 Coding + Demo Day
奖金：50K USD + 价值50K USD生态资源支持
二、黑客松赛程安排：48小时极限挑战
本届黑客松分为线上报名与线下现场开发及决赛两个阶段，以下时间均为韩国标准时间（KST），请参赛团队提前关注相关时间节点：
线上团队报名 8 月 25 日 – 9 月 25 日
团队自行组队及报名
线下现场阶段 9 月 28 日 17:00–20:00
黑客松现场启动
公链生态及技术负责人进行项目介绍、技术分享与生态任务交流
开发者大礼包领取
9 月 28 日 20:00 – 9 月 30 日 11:00｜现场 Coding
参赛团队围绕生态挑战进行项目开发、技术优化与产品完善。
9 月 30 日 12:00 前
项目提交
9 月 30 日 15:00–17:00
Innovation Stage 项目展示 & 颁奖仪式
评审与项目展示
本届黑客松将邀请参与生态公链的 CXO、技术及生态负责人，以及行业头部 VC 担任评委，对参赛项目进行现场评审。优秀团队将获得 Innovation Stage 现场展示机会，并有机会与行业投资机构及生态伙伴进行深入交流，拓展后续投资与生态合作机会。
三、参赛权益与生态支持
· $50K USD 现金奖励 + $50K USD 生态资源支持
优胜项目可获得最高 $50,000 USD 现金奖励及价值最高 $50,000 USD 的生态资源支持。
· Microsoft Azure Credits 支持
符合条件的项目可获得 Microsoft 最长 6 个月的免费云服务 Credits，为项目开发、测试及部署提供云端资源支持。
· Web3Labs 全球加速机会
获胜项目将优先进入 Web3Labs 2026 全球加速计划及孵化项目储备库，获得后续项目发展与生态支持机会。
· 行业资源与投资对接
与行业资深从业者、头部企业及一线 VC 进行交流，拓展投资、生态合作及行业资源。
· 全球媒体与市场曝光
优胜项目将获得持续的媒体报道与市场推广支持，通过全球媒体及社区渠道提升项目曝光度与行业影响力。
四、GWDC 2026 KOREA Hackathon 参赛要求
· GitHub 开源代码仓库：参赛项目须提交可公开访问的 GitHub 代码仓库。
· Demo 视频：须提交项目 Demo 视频，时长不超过 3 分钟。
· Pitch Deck：提交完整项目介绍及 Pitch Deck。
· 现场展示：入围决赛的团队须在 Innovation Stage 进行项目现场展示。
· 团队规模：每支参赛团队最多 5 人。
参赛团队可根据自身情况选择线上参与或前往首尔参加现场环节。最终项目提交须包含以上全部材料，并按照赛事时间节点完成提交。
五、GWDC 2026 KOREA · Hackathon 报名通道
黑客松详情及赛道：www.gwdc.net/hackathon.html
开发者报名：https://forms.gle/vQRpYf9T7mwZBEPX9
官方 TG 社群：https://t.me/GWDC_Global
请选择您团队的报名通道，如未加入合作高校/社区通道，可选择其他。具体赛道与任务详情将于 9 月中旬公布。
全球矩阵伙伴与协作网络
目前，GWDC 2026 KOREA 已联动全球多地的头部行业品牌、媒体、AI 与 Web3 社区，以及知名高校链协。通过品牌资源共建、媒体矩阵报道、社区联合传播及高校生态资源整合，为本次万人级大会及黑客松赛事提供全方位的宣发支持与全球推广网络。
技术创新不止于代码，更在于将新的想法真正带入现实。GWDC 2026 KOREA Hackathon 希望为全球 Builder 提供一个开放的创作与交流平台，让更多创新想法被看见、被实践，并连接更多真实的应用场景。
期待与全球 Builder 相聚首尔，用代码，让世界重新有趣。
Andrej Karpathy（安德烈·卡帕西）：软件正在再次发生根本性变革撰文：Techub News 整理
导语
2025 年 7 月，前特斯拉AI总监、OpenAI创始成员Andrej Karpathy（安德烈·卡帕西）在一场面向学生和行业新人的演讲中，分享了他对AI浪潮下软件根本性变革的思考。作为深度参与自动驾驶和前沿AI研究的资深专家，Karpathy的视角兼具技术深度与历史纵深感。他认为，我们正处在软件范式70年未遇的剧变之中，这不仅重塑着开发工具与基础设施，更在重新定义“编程”本身以及人机协作的方式。本次演讲系统梳理了从Software 1.0到3.0的演进，并展望了构建下一代AI原生应用与生态的关键挑战与机遇。
摘要
软件正经历第三次根本性范式迁移：从代码（1.0）到神经网络权重（2.0），再到用自然语言提示编程大语言模型（3.0）。
大语言模型（LLM）可被视为一种新的“计算机”或“操作系统”，其生态发展类似1960年代的早期计算，目前主要通过云端分时共享。
LLM是具备“人类心理”但又有认知缺陷的“人魂”，与之高效协作需构建具备“自主性滑块”、定制GUI和快速“生成-验证”循环的“部分自主”应用。
自然语言编程（如“氛围编码”）极大降低了软件构建门槛，同时，为AI智能体优化数字基础设施（如LLM友好的文档、协议）是巨大的新机遇。
AI代理的完全自主之路将比预期漫长，应优先构建人类监督下的增强工具（“钢铁侠战衣”），而非完全自主的代理。
软件的三次范式革命：从代码到权重再到提示
Andrej Karpathy（安德烈·卡帕西）开篇即指出，现在进入科技行业是一个“极其独特而有趣”的时机，根本原因在于“软件正在再次发生改变”。他回顾了软件发展的历史范式：
Software 1.0 即我们熟知的传统计算机代码，是人类编写的、精确的指令集合，用于命令计算机执行任务。GitHub是其代码库的典型代表。
Software 2.0 这一概念由Karpathy数年前提出，指的是神经网络的权重（weights）。程序员不再直接编写逻辑，而是通过准备数据集和运行优化器来“间接编程”，生成网络的参数。Hugging Face等平台可视为Software 2.0的“GitHub”。例如，图像生成模型Stable Diffusion的巨大参数集，以及在其基础上微调产生的各种变体，都可视作这个空间中的“提交记录”。
然而，直到最近，大多数神经网络都还是“固定功能计算机”，如图像分类器。真正的变革在于：大语言模型（LLM）让神经网络变得可编程了。Karpathy认为这值得被称为 Software 3.0。在3.0范式中，提示（Prompt）就是程序，它用自然语言（如英语）编写，用来“编程”LLM这个新型计算机。他曾在推特上感慨：“引人注目的是，我们现在正在用英语编程计算机。”这彻底改变了编程的准入门槛和表现形式。
他以情感分类任务为例：在1.0范式下，需要编写Python代码来定义规则；在2.0范式下，需要训练一个专门的神经网络；而在3.0范式下，只需设计一个包含少量示例的提示给LLM即可。如今，GitHub上的代码仓库里已经大量出现夹杂着英语注释的代码，这正是一种新编程范式崛起的迹象。
Karpathy以在特斯拉开发自动驾驶（Autopilot）的经历为例，生动说明了范式迁移的力量。最初，Autopilot堆栈中包含大量C++代码（Software 1.0）和一些用于视觉识别的神经网络（Software 2.0）。随着系统进化，神经网络的能力和规模不断增长，而许多原本由C++实现的复杂功能（如多摄像头图像信息跨时空融合）被神经网络取代，导致大量1.0代码被删除。Software 2.0“吞噬”了软件栈。他预见，同样的过程将在Software 3.0中重演。
因此，对于开发者而言，精通这三种范式至关重要。每种范式各有优劣，开发者需要根据具体功能需求，决策是使用传统代码、训练专用模型，还是直接提示LLM，并能灵活地在不同范式间切换。
LLM：新“操作系统”、新“计算机”与新“公共事业”
那么，如何理解LLM这种新事物？Karpathy提出了几个精妙的类比框架。
首先，LLM类似于“公共事业”（Utility）。正如Andrew Ng（吴恩达）所说“AI是新电力”，LLM实验室（如OpenAI、Google、Anthropic）投入巨资训练模型，类似于建设电网；通过API提供智能服务则相当于运营电网，按量（每百万token）计费。用户对其有类似公共事业的需求：低延迟、高可用性、质量稳定。甚至当顶级LLM服务中断时，会引发全球范围内的“智能降压”——世界会暂时“变笨”。
其次，由于训练LLM所需的资本支出（Capex）极高，且技术迭代快速，核心研发能力集中在少数实验室，因此它也有点像半导体制造厂（Fab）。使用NVIDIA GPU训练如同“无晶圆厂（Fabless）”模式，而像Google这样自研TPU并训练，则类似英特尔拥有自家晶圆厂的模式。
但Karpathy认为，最贴切的类比是将LLM视为“操作系统”。它不仅仅是电力或水那样的同质化商品，而是日益复杂的软件生态系统。当前格局与操作系统市场惊人相似：存在少数闭源提供商（如GPT、Claude、Gemini系列，对应Windows、macOS），以及一个正在崛起的开源替代品（Llama生态系统，对应Linux）。
他将LLM本身比作新型计算机的“CPU”，上下文窗口是“内存”，而LLM协调内存和计算资源来解决问题，并整合工具使用、多模态等功能——这完全是一个操作系统的架构。许多应用（如代码编辑器Cursor）可以在不同的LLM（GPT、Claude等）上运行，就像VS Code可以在Windows、Linux、macOS上运行一样，只需在下拉菜单中选择。
我们正处在类似于1960年代的“分时计算”早期阶段。LLM计算仍然昂贵，被迫集中在云端，用户通过网络以“客户端”形式交互，无法独占整机，因此采用分时共享是经济的。真正的“个人计算革命”尚未到来，但已有迹象（如在Mac Mini上本地运行某些LLM）。目前，我们主要通过文本终端（如ChatGPT的聊天界面）与这个“操作系统”交互，一个普适的图形用户界面（GUI）尚未出现。
Karpathy特别指出LLM一个“史无前例”的特性：技术扩散方向是“颠倒”的。通常，电力、加密技术、早期计算机等 transformative 技术总是先由政府、军方或大公司采用，之后才扩散至消费者。但LLM却反其道而行之：最先普及的应用是“如何煮鸡蛋”这类日常生活问题，普通消费者走在了前面，而企业和政府机构在采用上反而滞后。这是因为LLM是软件，可以瞬间通过互联网部署到全球数十亿设备上，这种普及速度和模式是前所未有的。
与“人魂”共舞：LLM的心理学与协作方法论
要有效编程LLM（Software 3.0），必须先理解它是什么。Karpathy喜欢将LLM视为“人魂”（People Spirits）——一种基于自回归Transformer的、对人类文本的随机模拟器。因为它训练于人类产生的海量文本，所以涌现出了类人的心理特质，但同时也有显著的认知缺陷。
其“超能力”包括：百科全书式的知识和记忆（堪比电影《雨人》中的自闭症学者），远超任何个人类个体。
其“认知缺陷”则包括：
幻觉（Hallucination）：会编造事实，对自身知识的边界认识不足。
锯齿状智能（Jagged Intelligence）：在某些领域表现超人类，却在另一些简单问题上犯低级错误（如坚持认为9.11大于9.9，或说“strawberry”有两个‘r’）。
逆向性遗忘（Anterograde Amnesia）：不像人类同事能通过睡眠巩固记忆、积累专业知识。LLM的“权重”是固定的，“上下文窗口”只是其工作记忆，每次对话后即被清空，类似于电影《记忆碎片》或《初恋50次》中的主角。如何让LLM持续学习仍是待解难题。
安全性问题：容易受提示注入攻击，可能泄露数据，过于轻信。
因此，与LLM协作的核心挑战在于：如何绕过其认知缺陷，同时充分利用其超能力。这引出了Karpathy认为当前最大的机会领域：构建“部分自主”（Partial Autonomy）的LLM应用。
以编程为例，直接使用ChatGPT复制粘贴代码效率低下。而像Cursor这样的专用应用则展示了LLM应用的理想形态：
自动化上下文管理：LLM自动处理文件嵌入、代码理解等。
多模型调用编排：协调聊天模型、代码补全模型、代码差异应用模型等。
应用特定GUI：这是关键。文本交互难以阅读和审计。GUI（如图形化显示代码差异）允许人类快速验证AI的工作，通过快捷键（Cmd+Y接受/Cmd+N拒绝）极大加速协作循环。
自主性滑块（Autonomy Slider）：用户可控制AI的自主程度。在Cursor中，从Tab补全（低自主）、到修改选中代码块（中自主）、再到让AI自由修改整个仓库（高自主），用户可以根据任务复杂度灵活调整。
另一个例子是Perplexity AI，它也具备类似的特性：打包信息、编排多个LLM调用、提供可审计的引用来源GUI，以及从快速搜索到深度研究的不同自主级别。
Karpathy预测，大量软件将变得“部分自主”。关键在于：LLM能否看到人类能看到的一切？能否执行人类能执行的操作？人类能否有效监督并保持在循环中？因为当前的LLM仍是不完美的、易出错的系统。
他强调了加速“生成-验证”循环的重要性。人类与AI协作，通常是AI生成，人类验证。为了让这个循环更快：
1. 加速验证：GUI至关重要。视觉信息处理是人类大脑的高速通道，阅读文本则费力得多。图形化表示（如图标、颜色编码的差异）能极大提升审计效率。
2. 约束AI（Keep AI on a Leash）：不要过度追求完全自主的智能体。让AI一次性生成10,000行代码的改动毫无意义，因为人类验证会成为瓶颈。我们需要控制AI的输出规模，使其保持在小而增量的、易于验证的范围内。
他分享了自己的AI辅助编码最佳实践：追求小而具体的任务，保持快速迭代循环，避免过大改动。模糊的提示会导致验证失败和循环卡顿，因此花时间构思更具体、精确的提示是值得的。
在教育领域，他构想将“教学”分解为两个应用：一个供教师创建标准化课程（可审计的中间产物），另一个供学生学习该课程。这样就将AI约束在预设的教学大纲和项目进度内，防止其“在森林中迷路”。
Karpathy以在特斯拉开发自动驾驶的经历警示，完全自主之路道阻且长。他早在2013年就体验过完美的无人驾驶演示，但12年过去，问题仍未完全解决，人类仍在循环中。因此，他对“2025年是智能体之年”的说法表示担忧，认为这将是“智能体的十年”，需要人类持续监督。他更推崇“钢铁侠战衣”的类比：战衣既是增强人能力的工具（ augmentation），也具备一定自主性（agentic）。在当前LLM仍有缺陷的阶段，我们应更多构建增强人类能力的“战衣”（部分自主产品），而非完全自主的“机器人”。这些产品应有定制化的GUI/UX，旨在加速人机协作循环，但同时内置“自主性滑块”，为未来逐步提高自动化水平做好准备。
氛围编码、智能体与数字基础设施的重塑
Software 3.0的另一个革命性影响是：编程语言变成了自然语言（如英语）。这意味着几乎人人都成为了潜在的程序员，无需经过5-10年的专业学习。
Karpathy提出的“氛围编码（Vibe Coding）”概念在网络上引起了巨大共鸣。它描述了这样一种状态：开发者并非精确指定需求，而是通过感觉和迭代与LLM协作，快速构建出定制化原型。他分享了自己“氛围编码”的经历：在不懂Swift的情况下，一天内构建了一个基本的iOS应用；还创建了MenuGen.app，一个为餐厅菜单生成图片的应用（尽管目前是个“负收入”项目）。
然而，构建可用的原型（在本地运行）相对容易，而将其变成真正的产品（涉及身份验证、支付、部署等运维工作）则异常繁琐。这些工作往往不是写代码，而是在网页上点击各种配置。Karpathy对此感到沮丧：“计算机在告诉我应该点击哪里。为什么是‘我’在做这个？为什么不是‘你’（计算机）来做？”
这引出了演讲的最后一部分主题：我们能否直接为AI智能体（Agents）构建基础设施？
Karpathy指出，数字信息的消费者和操纵者出现了新类别：过去只有人类（通过GUI）和计算机（通过API），现在多了“人魂”式的AI智能体。我们需要调整数字世界以适应它们：
LLM友好的文档：大量现有文档是为人类阅读设计的（包含列表、加粗、图片），LLM解析困难。应提供Markdown等LLM易于理解的格式。Vercel、Stripe等已开始提供LLM专用的API文档。
从“点击”到“cURL”：文档中的“点击此处”对LLM无效。Vercel正在将文档中的“点击”替换为等效的cURL命令，以便智能体直接执行。
专用协议：如Anthropic提出的“模型上下文协议”（Model Context Protocol），旨在为智能体提供标准化的交互方式。
便捷的数据摄取工具：例如，将GitHub仓库URL中的“github.com”替换为“git- ingest.com”，就能获得所有代码文件拼接而成的、适合直接粘贴给LLM的单一文本。还有工具能为代码库自动生成深度分析文档，更利于LLM理解。
虽然未来LLM可能学会点击和导航现有界面，但Karpathy认为，主动“与LLM在半路会合”，优化基础设施使其更容易访问信息，仍然是高性价比的做法，尤其对于大量不会主动适配的长尾软件。
结语：拥抱软件的新纪元
Andrej Karpathy（安德烈·卡帕西）总结道，现在进入科技行业是一个惊人的时机。我们需要重写海量代码，这些代码将由专业开发者和“氛围编码者”共同完成。
LLM既是公共事业，也像晶圆厂，但最核心的是——它们是处于1960年代早期阶段的“操作系统”。我们正在与之协作的对象，是这些既有超能力又有认知缺陷的“人魂”。为了高效协作，我们必须调整开发实践（构建部分自主应用、加速生成-验证循环、保持对AI的约束），并重塑数字基础设施以适配智能体。
回顾“钢铁侠战衣”的类比，未来十年我们将见证“自主性滑块”从左向右缓慢而坚定地移动。这是一个需要耐心、严谨和创造力的漫长过程，但无疑也是软件史上最激动人心的篇章之一。Karpathy最后表示：“我迫不及待地想与各位共同构建这个未来。”[코인 갱신 일지] 엔비디아 토큰화 주식 신고점 근접…사이렌·워든은 ATH 대비 80% 급락
[硬币更新日志] NVIDIA 代币化股票接近新高…Siren·Walden 相比历史最高点暴跌 80%刷新历史最高价(ATH)的品种
① 英伟达代币化股票(NVDAX) 现价 234.86美元 ｜ 较ATH下跌 -2.10%
② Billion Network(BILL) 现价 0.2124美元 ｜ 较ATH下跌 -4.84%
③ 博通代币化股票(AVGOon) 现价 437.93美元 ｜ 较ATH下跌 -1.26%
④ 英伟达代币化股票(NVDAon) 现价 234.94美元 ｜ 较ATH下跌 -2.22%
⑤ Octra(OCT) 现价 0.1314美元 ｜ 较ATH下跌 -0.002%
代币化股票及AI与基础设施相关资产在历史高点附近维持强势走势。特别是Billion Network(BILL)较低点上涨653.7%，Octra(OCT)较历史最低价(ATL)暴涨922.3%，表现出高波动性。
刷新历史最低价(ATL)的品种
① Smardex(SDEX) 现价 0.00161美元｜较ATL变动 0%
② Delirium(AGI) 现价 0.009084美元｜较ATL上涨 +0.37%
③ Marlin(POND) 现价 0.001729美元｜较ATL上涨 +0.12%
共计3个品种进入或接近历史新低区间。刷新最低价的走势主要集中在AI与基础设施相关的山寨币。Smardex(SDEX)跌至与历史最低价相同的价位，持续面临看跌压力。
实时国内热门交易品种
图片(按市值排序) / 描述数据(基于CoinMarketCap的国内热门排行)
① SIREN(SIREN) 现价 0.547美元 ｜ 较ATH -84.2% ｜ 较ATL +1973%
② USD.AI(CHIP) 现价 0.06004美元 ｜ 较ATH -56.7% ｜ 较ATL +97.4%
③ Pharos(PROS) 现价 0.7427美元 ｜ 较ATH -35.7% ｜ 较ATL +24%
④ Worden Protocol(WARD) 现价 0.0159美元 ｜ 较ATH -88.8% ｜ 较ATL +616.4%
AI与Agent主题相关的山寨币占据国内交易排行前列。SIREN(SIREN)和Worden Protocol(WARD)虽较ATH大幅回调，但较ATL分别上涨1973%和616%，表现出高波动性。USD.AI(CHIP)和Pharos(PROS)在短期反弹中也持续吸引投资者关注。总体来看，短期交易需求集中于低市值主题型资产。
市值排名前5的品种
① 比特币(BTC) 现价 80937美元 ｜ 较ATH下跌 -35.8%
② 以太坊(ETH) 现价 2267美元 ｜ 较ATH下跌 -54.2%
③ XRP(XRP) 现价 1.48美元 ｜ 较ATH下跌 -61.4%
④ BNB(BNB) 现价 678.96美元 ｜ 较ATH下跌 -50.4%
⑤ Solana(SOL) 现价 91.87美元 ｜ 较ATH下跌 -68.7%
主要大型山寨币的交易价格仍较ATH低50%以上，延续疲软走势。其中Solana(SOL)和XRP分别较ATH下跌68.7%和61.4%，回调幅度相对较大。比特币(BTC)较ATH的下跌率为35.8%。
[编辑注] 加密货币市场是一个高波动性环境，高点和低点在一天内迅速变化。追踪刷新历史最高价(ATH)和历史最低价(ATL)的品种，可以及早捕捉强势和弱势走势。本文整理了基于Cryptorank标准、市值超过1000万美元的品种中，在一天内创下新高或新低的主要代币，并同时分析市值排名靠前的品种以及实时国内热门资产相较于高点的调整率，以诊断市场的复苏潜力和走势。
“我辜负了他们”：Goliath 前 CEO 就 3.28 亿美元庞氏骗局道歉撰文：Danielle du Toit，Coinpaper
Delgado 以加密货币流动性池投资可提供“保证的月度回报”为诱饵吸引投资者，但实际上却用新投资者的资金维持该骗局，并为奢侈消费买单。Delgado 在一次电视采访中公开道歉，称投资者信任了他，而他辜负了他们。
前 Goliath CEO 面临监禁
Goliath Ventures 前首席执行官 Christopher Delgado 在美国检方指控其运营一场规模高达 3.28 亿美元的加密货币投资庞氏骗局后，公开向投资者道歉。
在 ABC 旗下电视台 WFTV 于周一播出的采访中，Delgado 承认投资者曾信任他，并表示自己辜负了他们。他解释说，自己希望公开发声，是为了“从头到尾”讲述他所认为的事情经过，并对据称给数百名受害者造成的经济损失表达悔意。
联邦检察官指称，Delgado 在 2023 年 1 月至 2026 年 1 月期间策划了这一骗局。他说服投资者将大笔资金投入其所描述的高收益加密货币流动性池机会中。据调查人员称，投资者被承诺可获得“保证的月度回报”，并被告知可以随时提取资金。有关部门称，这些承诺并不真实，投资者的资金实际上被用于维持整个运作体系，并支撑其奢华生活方式。
奥兰多联邦检察官办公室已于 2 月 20 日以欺诈和洗钱罪名起诉 Delgado。若所有罪名成立，他最高可能面临 30 年联邦监禁。Delgado 在采访中表示，他是自愿返回美国面对这些指控的。
据称，受害者包括普通上班族和退休人士，例如护士、教师、消防员以及年长投资者；他们将自己大笔储蓄交给了 Goliath Ventures。检方称，仅有一名个人受害者就损失了约 72 万美元，而对方此前曾被保证该项投资安全且资金可随时全额取回。
（消息来源：WFTV）
有关部门还指称，数百万美元的投资者资金被挪用于奢侈消费。检方表示，Delgado 使用这些钱购买了佛罗里达州 4 处房产，总价值达 1450 万美元。此外，还有更多资金据称被花在公司豪华聚会、昂贵的圣诞派对，以及为与该业务相关的高管和关联人士提供高端旅行住宿上。
WFTV 报道称，Delgado 目前已获保释，正在等待审判。据称，他目前被限制居住在一处面积达 1.1 万平方英尺的庄园内，检方认为这处房产是用投资者资金购买的；根据保释条件，他还需佩戴电子脚镣接受监控。
在采访中，Delgado 还声称，当局对 Goliath Ventures 采取行动时，公司银行账户中仅剩约 16 万美元。他还坚持表示自己并非单独作案，并称自己目前正与联邦调查人员合作，提供有关前同事及其他业务关联人士涉嫌参与该运作的信息。[코인 갱신 일지] RAVE·IP ATH 대비 96% 급락…국내 트렌딩 ‘저점 반등 베팅’ 집중
[币种更新日志] RAVE·IP 较历史最高点暴跌96%…国内交易聚焦“低点反弹押注”刷新历史最高价(ATH)的品种
① LAB 当前价 0.7723美元 ｜ ATH +0.69%
② VIRUS 当前价 0.01452美元 ｜ ATH +4.50%
③ M 当前价 4.65美元 ｜ ATH -3.18%
当日刷新历史新高的品种共计3个。LAB和VIRUS分别小幅突破历史最高价，延续上涨趋势；M则较前期高点小幅回调，呈现盘整态势。当日未有品种录得历史最低点。
实时国内热门品种
图片(按市值排序) / 说明数据(基于CoinMarketCap的国内热度排名)
① BASED 当前价 0.1346美元 ATH –56.7%｜ ATL +168.1%
② RAVE 当前价 1.08美元 ATH –96.1%｜ ATL +427.4%
③ IP 当前价 0.5198美元 ATH –96.5%｜ ATL +10.2%
④ ASTEROID 当前价 0.0002892美元 ATH –38.9%｜ ATL +414101%
⑤ CC 当前价 0.1502美元 ATH –22.5%｜ ATL +154.6%
国内热门交易品种普遍呈现较ATH大幅下跌后，处于短期反弹或高波动区间的特征。尤其是RAVE和IP在下跌超过90%后交易集中，作为高风险、高波动资产受到关注。相比之下，ASTEROID较ATL的涨幅极高，显示出短期投机性资金流入的迹象。整体上形成了期待低价区反弹与短期交易需求相结合的市场结构。
市值排名前5的品种
① 比特币(BTC) 当前价 78089美元｜ATH -38%
② 以太坊(ETH) 当前价 2323美元｜ATH -53%
③ XRP(XRP) 当前价 1.43美元｜ATH -62.6%
④ 币安币(BNB) 当前价 638美元｜ATH -53.4%
⑤ 索拉纳(SOL) 当前价 85.96美元｜ATH -70.7%
主要市值排名靠前的资产仍处于较历史最高价大幅回调的区间。特别是索拉纳和XRP录得60~70%的跌幅，复苏相对滞后。比特币的跌幅维持在30%左右。总体来看，市场处于较顶部恢复的初期阶段，资产间呈现分化走势。
[编者注] 加密货币市场是一个日内高点和低点快速变化的高波动性环境。追踪刷新历史最高价(ATH)和历史最低价(ATL)的品种，可以及早捕捉强弱趋势。本文整理了基于Cryptorank标准、市值超过1000万美元的品种中，在一天内刷新高点或低点的主要代币，并同时分析了市值排名前列的品种以及实时国内热门资产较高点的回调率，以此诊断市场的恢复潜力和走势。[币种更新日志] EURCV·Libra仅刷新ATH高点…DOT·FIGHT等趋势币触底反弹引关注创历史新高(ATH)的币种
① 欧元可转换债券币 现价1.17美元 ｜ 距ATH -0.04%
② 天秤币 现价0.1152美元 ｜ 距ATH +2.31%
截至今日，共有2个币种创下历史新高。这些币种在历史高点附近交易，延续了有限的上涨趋势，而非市场整体的强劲扩张。特别是欧元可转换债券币在接近历史高点的水平呈现横盘整理态势，而天秤币则突破了历史高点，显示出相对较强的上涨动能。今日没有创历史新低的币种。
市值前5币种
① 比特币 现价74133美元｜距ATH -41%
② 以太坊 现价2359美元｜距ATH -52%
③ XRP 现价1.36美元｜距ATH -65%
④ BNB 现价612.16美元｜距ATH -55%
⑤ 索拉纳 现价85.89美元｜距ATH -71%
主要高市值资产相较于历史高点仍处于大幅调整状态。特别是索拉纳和XRP，跌幅均达到70%左右，反映出较大的波动性。总体而言，尽管市场已进入复苏阶段，但距离恢复前期高点仍有相当距离。
实时国内热门币种
图片（按市值排序）/ 说明数据（基于CoinMarketCap的国内热度排序）
① 波卡 现价1.21美元 距ATH –98%｜ 距ATL +6.04%
② 英菲尼克斯 现价0.01516美元 距ATH –48%｜ 距ATL +42.2%
③ 搏击身份 现价0.004498美元 距ATH –85%｜ 距ATL +95.4%
④ 海艾尔莎 现价0.06783美元 距ATH –83%｜ 距ATL +15.6%
⑤ 阿丽亚AI 现价0.7973美元 距ATH –25%｜ 距ATL +2,317%
国内热门前列币种整体上多为较历史高点录得较大跌幅的资产，反映出市场对低点反弹的预期。特别是搏击身份和阿丽亚AI相较于历史低点的涨幅显著扩大，短期反弹动能凸显。另一方面，波卡和海艾尔莎相较于高点跌幅仍然较深，同时反映了中长期复苏预期与短期波动性。
[编者按] 加密货币市场是日内高低点快速切换的高波动性环境。追踪创历史新高和历史新低的币种，有助于早期捕捉强势与弱势趋势。本文基于CryptoRank数据，整理市值1000万美元以上币种中日内创下高点或低点的主要代币，并结合分析市值前列币种及实时国内热门资产相较于高点的调整幅度，以研判市场复苏潜力与趋势。[下午新闻简报]加密货币企业Goliath Ventures申请第11章破产保护 等加密货币企业Goliath Ventures申请第11章破产保护
PANews援引The Street报道，Goliath Ventures已进入法院监督下的企业重组程序。该公司将通过此程序推动债权人偿付和重组，而非立即清算。此次申请与创始人兼首席执行官克里斯托弗·德尔加多的刑事案件有关。
巴西总统签署授予加密货币扣押及冻结权限法案
巴西总统路易斯·伊纳西奥·卢拉·达席尔瓦于本周二签署了一项反黑帮法案。据Odaily报道，该法案授予当局在调查期间或定罪后冻结和扣押加密货币、股票、奢侈品等资产的新权力。
彼得·希夫批评虚拟资产抵押住房贷款结构
据Odaily报道，经济学家彼得·希夫在X平台上表示，以虚拟资产为抵押的住房贷款结构可能大幅推高购房成本。他认为，借款人除了要承担常规房贷利息外，还需支付虚拟资产抵押带来的额外借贷成本，这实际上可能构成100%借款购房的结构，从而增加杠杆并推高整体违约风险。
World Foundation通过出售WLD代币筹集6500万美元
World Foundation表示，过去一周已与四个交易对手完成WLD代币场外销售，筹集了6500万美元。消息称平均售价约为0.2719美元，全部代币中有价值2500万美元的部分附带了6个月的锁仓条件。
分析称加密货币市场需经历“重置区间”
据Odaily报道，有分析指出加密货币市场在进入下一轮牛市前需经历一个“重置区间”。比特币虽在2025年10月涨至125,689美元后出现大幅回调，但这被视为是消除过度杠杆、缩减流动性过程中的正常周期性调整。
詹姆斯·亚罗展望比特币市场趋于稳定
高盛分析师詹姆斯·亚罗表示，比特币和加密货币市场的跌幅在本轮周期中已基本达到历史平均水平的峰谷区间。他解释说，尽管过去几周比特币和加密货币相关股票持续波动，但整体已呈现企稳态势。
沙特阿拉伯东西输油管道开始满负荷运行
据@WatcherGuru报道，沙特阿拉伯的东西输油管道已开始在其绕行霍尔木兹海峡的路径上以每日700万桶的运力满负荷运行。该管道作为可替代中东关键海上通道霍尔木兹海峡的陆上出口路线，被视为有助于缓解因地缘政治紧张局势引发的原油供应担忧。
Sui完成主网及协议升级
据Odaily报道，Sui已将主网升级至V1.68.1版本，协议升级至118版本。本次升级内容包括：启用主网地址别名功能、增强Sui系统内元数据安全性、以及修复了在模拟包含无效资金提取的异常交易时可能导致全节点崩溃的问题。
若胡塞武装重启红海航道袭击，石油市场或陷更大混乱
据Odaily报道，《华尔街日报》记者乔·华莱士援引能源分析师观点称，如果也门胡塞武装重启对红海航道的袭击，石油市场可能陷入更大混乱。分析认为，若袭击再次发生，全球原油供应将减少，油价可能上涨。
Coinbase比特币溢价指数连续10日录得负值
据Odaily报道，CoinGlass数据显示，Coinbase比特币溢价指数已连续10日录得负值，目前报-0.0857%。Coinbase比特币溢价指数是衡量美国主要交易所Coinbase的比特币价格相较于全球市场平均价格是高还是低的指标。巨鲸 watershedpath 在 Hyperliquid 持有 1.196 亿美元 HYPE 多仓，浮盈 6629 万美元Techub News 消息，交易员“watershedpath”在 Hyperliquid 上以 5 倍杠杆持有价值 1.1966 亿美元的 HYPE 多头头寸，平均入场价格为 38.68 美元。目前 HYPE 价格为 86.78 美元，日内上涨 11%，略低于其历史最高价。
该头寸目前浮盈 6629 万美元，且是 watershedpath 当前唯一的未平仓头寸。（@arkham）Ondo 创始人遗产纠纷升级，其母被指控认知障碍Techub News 消息，Ondo Finance 创始人 Nathan Allman 遗产继承纠纷进一步升级。其同母异父的姐姐 Lani Clinton 与投资者 David Chen 已向夏威夷法院申请对其母 Kathleen Allman 的遗产份额设立有限监护权，指控其存在认知障碍和财务管理不当。
Nathan Allman 于 2024 年 5 月突然去世且未留遗嘱，其父母继承了包括 Ondo 控股股权及大量 ONDO 代币在内的遗产。此前 Kathleen Allman 已起诉代理 CEO Ian De Bode，指控其试图夺取公司控制权并索取约 1100 万美元薪酬方案。目前该家族内部及与公司管理层之间的法律争端仍在持续。（CoinDesk）Cathie Wood 称 SpaceX 1.75 万亿美元 IPO 是深度价值机会Techub News 消息，ARK Invest 创始人 Cathie Wood 在 X 平台发文表示，若 SpaceX 的星舰（Starship）每次发射能产生 10 亿美元收入，且马斯克（Elon Musk）到 2030 年实现每年 1 万次飞行的目标，那么星舰年收入将达 10 万亿美元。届时，SpaceX 当前 1.75 万亿美元的 IPO 估值将被视为深度价值机会。
其计算基于 ARK Invest 分析师的数据，即星链（Starlink）每太比特每秒（Tbps）网络容量年收入约 1900 万美元，而一艘星舰可搭载约 61 Tbps 容量，满载即可带来近 10 亿美元的年化收入。目前星舰仅进行过两次亚轨道飞行，尚未开始产生商业收入。
SpaceX 股票 SPCX 自 6 月以 135 美元 IPO 后，首日收于 161 美元，但随后数周交易价格均低于发行价。Cathie Wood 并非最看好该股的人士，Dan Held 预测发射成本下降将使 SpaceX 估值在二十年内达到 100 万亿美元。 （BeInCrypto）谷歌内部测试数学专用AI模型Deep Think MathematicaTechub News 消息，谷歌正在内部测试专注于数学的AI模型“Deep Think Mathematica”。该模型旨在革新AI在高等数学领域的应用，并可能改变研究方法。
（Crypto Briefing）Cathie Wood旗下ARK Invest减持超6100万美元加密相关资产Techub News 消息，Cathie Wood旗下的ARK Invest于本周一（9月16日）减持了价值超过6100万美元的加密相关资产。此次减持发生在美国参议院未能通过CLARITY法案的前一天。
被抛售的资产包括Coinbase股票、Bullish股票、Circle Internet股票以及ARK 21Shares比特币ETF（ARKB）。（CoinGape）Cathie Wood 称 AI 灭绝恐惧荒谬，支持安全推动Techub News 消息，ARK Invest 创始人 Cathie Wood 表示支持放缓 AI 能力发展，但称对 AI 导致人类灭绝的恐惧是荒谬的。她同时支持推动 AI 安全。ARK Invest 持有 OpenAI 和 Anthropic 的股份。
（Crypto Briefing）ARK Invest 出售超 6000 万美元加密相关股票，CLARITY 法案投票在即Techub News 消息，根据投资者商业日报报道，知名投资机构 ARK Invest 的创始人 Cathie Wood 在 CLARITY 法案投票前，出售了价值约 6000 万美元的加密相关股票。此举引发市场对法案前景及其对行业影响的关注。（Investor's Business Daily）Superhuman 收购 YC 支持的笔记应用 Fathom，推进智能体工作平台Techub News 消息，生产力平台 Superhuman 宣布收购由 Y Combinator 支持的笔记应用 Fathom，以推动其向“智能体工作”平台发展。Fathom 表示其月活跃用户数超过 40 万。此次收购是生产力平台整合 AI 能力、实现更自动化工作流程趋势的一部分。（TechCrunch）分析师称比特币 ATH 未更新天数接近 365 日，更新模式或正改变Techub News 消息，加密货币分析师 Darkfost 指出，比特币自上次创下历史最高价（ATH）以来，未更新的天数即将达到 365 日。他表示，过去的市场周期中，ATH 更新通常发生在减半事件之后，但这一模式可能正在改变。
Darkfost 引用 CryptoQuant 和 AxelAdlerJr 的数据分析称，比特币 ATH 未更新的天数已从 849 天缩短，并预计下一次减半将在 2028 年 4 月发生。他暗示，尽管当前 ATH 更新停滞，但未来更新速度可能会加快。（CoinPost）Polymath 与 High Ridge Trust 合作提供代币化证券托管服务Techub News 消息，区块链证券代币化平台 Polymath 宣布与信托公司 High Ridge Trust 达成合作。双方将为代币化证券提供合规托管服务，旨在解决机构在采用此类资产时面临的托管与合规挑战，以增强市场信任。
该合作预计将加速机构对代币化证券的采用。Polymath 的平台专注于证券型代币的发行与管理，而 High Ridge Trust 则提供受监管的信托与托管服务。（Crypto Briefing）1 篇文章
